In diesem Weblog werde ich meine Erfahrungen teilen, als ich anfing, ML zu lernen.
Der Mensch fürchtet sich seit langem vor dem Aufstieg der Maschine – dass seine eigene Schöpfung schlauer und intelligenter wird als er. Aber während künstliche Intelligenz und maschinelles Lernen unsere Welt rasant verändern und die vierte industrielle Revolution vorantreiben, muss die Menschheit keine Angst haben.
Maschinelles Lernen ist der Kernteilbereich der künstlichen Intelligenz. Dadurch gelangen Laptop ohne explizite Programmierung in einen Selbstlernmodus. Wenn sie mit neuen Daten gefüttert werden, lernen, wachsen, verändern und entwickeln sich diese Laptop von selbst.
Lassen Sie uns über die Techniken des maschinellen Lernens sprechen
Techniken des maschinellen Lernens werden hauptsächlich in die folgenden vier Kategorien eingeteilt:
- Überwachtes Lernen:
Wenn eine Maschine über Eingabe- und Ausgabedaten mit genauen Etiketten oder Beispieldaten verfügt, ist überwachtes Lernen anwendbar. Bei einigen Beschriftungen und Tags werden korrekte Beschriftungen verwendet, um die Genauigkeit des Modells zu überprüfen. Durch die Nutzung von Vorwissen und gekennzeichneten Instanzen ermöglicht uns der Ansatz des überwachten Lernens, zukünftige Ereignisse vorherzusehen. Zunächst wird der bekannte Trainingsdatensatz untersucht, bevor eine abgeleitete Funktion eingeführt wird, die Ausgabewerte vorhersagt. Darüber hinaus erkennt es Fehler während des gesamten Lernprozesses und nutzt Algorithmen, um diese zu beheben.
Nehmen wir an, wir haben eine Sammlung von Fotos mit dem Stichwort „Katze“ im Titel. Mithilfe dieser Katzenfotos wurde ein maschinelles Lernsystem darauf trainiert, Katzen an anderen Objekten zu erkennen.
2. Unüberwachtes Lernen:
Beim unbeaufsichtigten Lernen wird einem Laptop nur eine kleine Teilmenge von Eingabebeispielen oder Etiketten beigebracht, ohne dass das Endprodukt bekannt ist. Im Gegensatz zum überwachten Lernen liefert eine Maschine möglicherweise nicht immer die richtigen Ergebnisse, da die Trainingsdaten weder kategorisiert noch gekennzeichnet sind.
Unüberwachtes Lernen, obwohl es in realen Geschäftskontexten weniger verbreitet ist, hilft bei der Datenexploration und kann verwendet werden, um latente Strukturen aus unbeschrifteten Daten abzuleiten.
Beispiel: Angenommen, ein Laptop wurde mit einer Reihe von Arbeiten trainiert, die zu mehreren Kategorien (Typ A, B und C) gehören, und wir müssen sie nun nach ihrer Eignung klassifizieren. Der Laptop kann diese Datensätze in die Kategorien Typ A, Typ B und Typ C klassifizieren, da ihm lediglich Eingabebeispiele oder keine Ausgabe zur Verfügung gestellt werden.
3. Verstärkungslernen:
Eine auf Suggestions basierende Methode des maschinellen Lernens ist das Reinforcement Studying. Bei dieser Artwork des Lernens müssen Agenten (Computerprogramme) ihre Umgebung untersuchen, Maßnahmen ergreifen und dann Belohnungen als Suggestions für ihre Aktivitäten erhalten. Sie erhalten für jede gute Tat eine constructive Belohnung und für jede schlechte Tat eine detrimental Belohnung. Das Ziel eines Reinforcement-Studying-Agenten besteht darin, die guten Ergebnisse zu maximieren. Der Agent kann nur aus Erfahrung lernen, da es keine gekennzeichneten Daten gibt.
4. Halbüberwachtes Lernen:
Das halbüberwachte Lernen ist eine Technik, die sowohl beim überwachten als auch beim unbeaufsichtigten Lernen eingesetzt wird. Sowohl Datensätze mit wenigen Beschriftungen als auch Datensätze mit unbeschrifteten Daten unterliegen seinen Vorgängen. Die Daten sind jedoch normalerweise unbeschriftet. Da Etiketten teuer sind, für Geschäftsziele jedoch möglicherweise nicht erforderlich sind, werden auch die Kosten des maschinellen Lernmodells gesenkt. Es verbessert auch die Leistung und Genauigkeit des maschinellen Lernmodells.
Datenwissenschaftler können die Einschränkungen des überwachten und unüberwachten Lernens durch den Einsatz von halbüberwachtem Lernen überwinden. Einige wichtige Anwendungen des halbüberwachten Lernens umfassen Sprachanalyse, Kategorisierung von On-line-Inhalten, Klassifizierung von Proteinsequenzen, Klassifizierung von Textdokumenten usw.
Das Thema magazine schwierig erscheinen, aber mit der Zeit wird es einfacher, wenn man Interesse an dem Fachgebiet entwickelt. Ich begann, ML zu lernen, indem ich mir einige YouTube-Tutorials ansah und über die Themen las.
Das Wichtigste ist, eine Programmiersprache zu lernen. Für ML kann man die Sprache Python oder R lernen. Python ist aufgrund seiner geringeren Komplexität eine einfachere und für Anfänger geeignete Sprache.
Ich habe Python von learnpython.org gelernt. Die Nutzung ist kostenlos und für Anfänger geeignet.
Warum wird hier Mathematik benötigt? Einige Algorithmen für maschinelles Lernen basieren auf mathematischen Konzepten. Für maschinelles Lernen müssen Sie kein Meister der Mathematik sein, das Erlernen einiger grundlegender Konzepte reicht aus. Grundlegende Themen wie lineare Algebra, Statistik und Wahrscheinlichkeitsrechnung sollten behandelt werden.
Die Python-Sprache enthält einige integrierte Bibliotheken, die beim maschinellen Lernen verwendet werden. Einige Bibliotheken wie NumPy, Matplotlib, Pandas, Seaborn usw. werden verwendet. NumPy wird für mathematische Funktionen und bei der Verarbeitung von Arrays verwendet, Pandas wird bei der Arbeit mit Datensätzen verwendet, Matplotlib und Seaborn werden für die Datenvisualisierung verwendet.
Das Erlernen dieser Bibliotheken wäre beim Erstellen von ML-Projekten sehr hilfreich.
Einer der wichtigsten Schritte ist die Datenaufbereitung. Beim maschinellen Lernen wird mit großen Datensätzen gearbeitet. Vor der Implementierung von ML-Algorithmen für diese Datensätze ist Folgendes erforderlich
Bereiten Sie den Datensatz vor. Der Datensatz kann Nullwerte oder einige doppelte Werte enthalten.
- Algorithmen für maschinelles Lernen:
Dies kann in drei Arten überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen kategorisiert werden. Zu diesen Algorithmen gehören lineare Regression, logistische Regression, Ok-Nearest Neighbors, Help Vector Machine, Random Forest, Entscheidungsbaum usw. Es ist sehr wichtig, das Konzept und den Codierungsteil jedes Algorithmus zu erlernen.
Um die Konzepte des maschinellen Lernens intestine zu beherrschen, ist Übung der einzige Schlüssel. Die Teilnahme an Hackathons, Bauprojekten und die Teilnahme an Kaggle-Wettbewerben werden sehr hilfreich sein.
Ich lerne immer noch und ich habe noch viel zu lernen!
Geschrieben von:- Saloni Choudhary
